Question 1
Question
A Naiv Bayes-háló lényegi feltételezése, hogy: Egy gyermek, több szülő csomópont. A szülők egymástól
függetlenek.
Question 2
Question
A Naiv Bayes-háló lényegi feltételezése, hogy: Több gyermek, több szülő csomópont. A gyermek csomópontok
egymástól függetlenek.
Question 3
Question
A Naiv Bayes-háló lényegi feltételezése, hogy: Egy gyermek, egy szülő csomópont, ezek egymástól
függetlenek.
Question 4
Question
A Naiv Bayes-háló lényegi feltételezése, hogy: Több gyermek, egy szülő csomópont. A gyermek csomópontok
egymástól függetlenek.
Question 5
Question
A Bayes-háló egy kompakt reprezentációja az együttes valószínűségi eloszlásnak.
Question 6
Question
A Bayes-háló feltételes függetlenségi/függőségi térképként reprezentálja a változók közötti kapcsolatokat.
Question 7
Question
A Bayes-háló asszociációs kapcsolati térképként reprezentálja a változók közötti függőségeket.
Question 8
Question
A Bayes-háló oksági kapcsolatokat is képes reprezentálni.
Question 9
Question
Az oksági kapcsolatok mindig egyben asszociációs kapcsolatok is.
Question 10
Question
Az asszociációs kapcsolatok mindig egyben oksági kapcsolatok is.
Question 11
Question
Az oksági kapcsolatok lehetnek asszociációs kapcsolatok is.
Question 12
Question
Az asszociációs kapcsolat hátterében sosem lehet oksági kapcsolat.
Question 13
Question
Egy csomópont feltételesen független az őseitől a gyermekek ismeretében.
Question 14
Question
Egy csomópont feltételesen független a nem leszármazottaitól a szülők ismeretében.
Question 15
Question
Egy csomópont feltételesen független a nem leszármazottaitól a gyermekek ismeretében.
Question 16
Question
Egy csomópont feltételesen független a leszármazottaitól a szülők ismeretében.
Question 17
Question
Egy csomópont feltételes valószínűségi táblája a szülők értékeinek
konfigurációja szerint tartalmazza a csomópontra vonatkozó feltételes
valószínűségeket.
Question 18
Question
A Bayes-háló feltételes függetlenségeket / függőségeket leíró
gráfstruktúrája összhangban kell legyen a parametrizációval, melyet
minden csomópontra a szülők értékei függvényében adunk meg.
Question 19
Question
A Bayes-háló által reprezentált együttes valószínűségi eloszlás a
szülői halmazok alapján faktorálható (feltételes valószínűségek
szorzatára).
Question 20
Question
A Bayes-háló által leírt függőségek mindig oksági kapcsolatokat
jelentenek.
Question 21
Question
Egy adott csomópont szülei, gyermekei és testvérei tartoznak ebbe a halmazba. (Markov-takaró)
Question 22
Question
Egy adott csomópont szülei, gyermekei és szüleinek egyéb
gyermekei tartoznak ebbe a halmazba. (Markov-takaró)
Question 23
Question
Egy adott csomópont szülei, gyermekei és gyermekeinek egyéb
szülei tartoznak ebbe a halmazba. (Markov-takaró)
Question 24
Question
Egy adott csomópont szülei és gyermekei tartoznak ebbe a
halmazba. (Markov-takaró)
Question 25
Question
Ha a leszámítolási tényező 1, és a jutalmaknak véges maximuma van, akkor végtelen lépéssor is véges összjutalmat eredményez.
Question 26
Question
A modellalapú ágens a környezetről is, önmagáról is modellt alkot, és ezeket frissíti.
Question 27
Question
A hasznosságorientált ágens a célhoz vezető különböző állapotsorozatokat (trajektóriákat) is képes értékelni.
Question 28
Question
Az állapot hasznosságát csak akkor tudjuk értelmezni, ha az adott állapotból csak egy végállapotba lehet eljutni.
Question 29
Question
A szekvenciális probléma iteratív megoldása során gyakran az értékek még nem konvergálnak pontosan, de a stratégia már egyértelmű lehet.
Question 30
Question
Mivel az időbeli különbség tanuláshoz nincs szükség az állapotátmenet-modellre, ezért Q-tanulásra is használható
Question 31
Question
A hasznosságfüggvény explicit reprezentációja jobb általánosító képességet tesz lehetővé, mint az implicit reprezentáció
Question 32
Question
Az adott állapothoz tartozó legnagyobb Q érték az állapot hasznosságát adja.
Question 33
Question
A mohó felfedezést végző ágens könnyen egy szuboptimumba juthat.
Question 34
Question
A hóbortos felfedezést végző ágens nagyon jól kiismeri környezetét, de nem aknázza ki ezt a tudását a jutalmak gyűjtésére.
Question 35
Question
Az aktív megerősítéses tanulásban kettős célja van az ágensnek: egyrészt minél nagyobb jutalmakat akar gyűjteni, másrészt javítani akarja a megszerzett tudást, a jövőbeli szekvenciákhoz.
Question 36
Question
Eljárásmód-iteráció esetén, ha a t-dik lépésben kiszámítottuk az Ut(s) értékeket, akkor a következő eljárásmód becslés – (πt+1 (s) – nem függ a leszámítolási tényezőtől.
Question 37
Question
Az időbeli különbség (IK) tanulási módszer hatékonyságát az állapotátmenet-mátrix optimális felhasználása adja.
Question 38
Question
Egy adott állapotban elvégezhető cselekvésekhez tartozó legnagyobb Q érték az állapot hasznosságát adja
Question 39
Question
Amennyiben a környezet sztochasztikus és az ágens érzékelői nem teszik lehetővé a környezet állapotainak meghatározását, akkor az ágens többállapotú problémával néz szembe.
Question 40
Question
A Bellman összefüggés felállításánál kihasználtuk, hogy a lépéssorozatban nyert
jutalmak additívak.
Question 41
Question
Az optimális eljárásmód az állapotokhoz megadja azt a cselekvést, ami minden
sorozatban a legnagyobb jutalmat fogja eredményezni.